針對傳統(tǒng)入侵檢測方法很難快速準(zhǔn)確地從海量無標(biāo)簽網(wǎng)絡(luò)數(shù)據(jù)中提取特征信息以識別異常入侵,提出了基于改進的深度信念網(wǎng)絡(luò)的softmax分類（IDBN-SC）入侵檢測方法。利用改進的DBN對原始網(wǎng)絡(luò)數(shù)據(jù)進行無監(jiān)督特征學(xué)習(xí),引入自適應(yīng)學(xué)習(xí)速率減少訓(xùn)練網(wǎng)絡(luò)模型所需要的時間;采用softmax分類器對獲得的降維數(shù)據(jù)進行網(wǎng)絡(luò)攻擊類型識別。在NSL-KDD數(shù)據(jù)集上進行測試,相比其他入侵檢測方法,實驗結(jié)果表明IDBN-SC方法不僅識別準(zhǔn)確率平均提高3.02%,而且其softmax分類器訓(xùn)練時間平均縮短5.58 s。 

【文章來源】：計算機工程與應(yīng)用. 2020,56(20)北大核心CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 特征提取原理
    2.1 受限玻爾茲曼機
    2.2 深度信念網(wǎng)絡(luò)
    2.3 自適應(yīng)學(xué)習(xí)速率
3 IDBN-SC入侵檢測方法
    3.1 入侵檢測方法設(shè)計
    3.2 數(shù)據(jù)預(yù)處理
    3.3 softmax分類器
4 實驗及結(jié)果分析
    4.1 實驗環(huán)境和數(shù)據(jù)描述
    4.2 實驗評價指標(biāo)
    4.3 實驗結(jié)果及分析
        4.3.1 IDBN網(wǎng)絡(luò)深度實驗
        4.3.2 學(xué)習(xí)速率對比實驗
        4.3.3 各分類方法的檢測性能對比實驗
5 結(jié)束語


【參考文獻】：
期刊論文
[1]基于深度序列加權(quán)核極限學(xué)習(xí)的入侵檢測算法[J]. 汪洋,伍忠東,朱婧.  計算機應(yīng)用研究. 2020(03)
[2]基于DBN-KELM的入侵檢測算法[J]. 汪洋,伍忠東,火忠彩.  計算機工程. 2019(10)
[3]改進Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[4]基于三支決策的兩階段實體關(guān)系抽取研究[J]. 朱艷輝,李飛,胡駿飛,錢繼勝,王天吉.  計算機工程與應(yīng)用. 2018(09)
[5]基于深度信念網(wǎng)絡(luò)的Android惡意應(yīng)用檢測方法[J]. 趙薇,王楠,蘇欣,張波云.  計算機工程與應(yīng)用. 2018(18)
[6]海量數(shù)據(jù)環(huán)境下用于入侵檢測的深度學(xué)習(xí)方法[J]. 高妮,賀毅岳,高嶺.  計算機應(yīng)用研究. 2018(04)
[7]面向入侵檢測系統(tǒng)的Deep Belief Nets模型[J]. 高妮,高嶺,賀毅岳.  系統(tǒng)工程與電子技術(shù). 2016(09)
[8]基于支持向量機的入侵檢測系統(tǒng)[J]. 饒鮮,董春曦,楊紹全.  軟件學(xué)報. 2003(04)



本文編號：3188554